Útmutatóhoz kapcsolódó kvíz · Közepes Szint

U-Net építészeti kvíz

Test U-Net encoder-decoder symmetry, skip connections, biomedical segmentation, diffusion noise prediction, and alternatives.

Kapcsolódó útmutató utakU Net architektúra
kérdés 1 -ból 8

Mi adja az U-Net "U" alakját?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mi adja az U-Net "U" alakját?
    • Egy kódoló, amely csökkenti a mintavételezést, és egy szimmetrikus dekóder, amely felfelé mintavételez
    • Egyetlen egyenes köteg konvolúciókból
    • Két párhuzamos hálózat kapcsolat nélkül
    • Ismétlődő hurok időbeli lépésekkel
  2. Mi a célja az U-Net átugró kapcsolatainak?
    • A paraméterek számának nullára csökkentése
    • A finom térbeli részletek továbbítása a kódoló rétegekből közvetlenül a megfelelő dekódoló rétegekre
    • A kép szürkeárnyalatossá alakítása
    • Az edzés teljes kihagyásához
  3. Mire tervezték eredetileg az U-Netet?
    • Beszédfelismerés
    • Részvényár előrejelzés
    • Orvosbiológiai képszegmentálás
    • Szövegfordítás
  4. A stabil diffúzióban mit jósol az U-Net az egyes lépésekben?
    • A kép utolsó felirata
    • A tömörítési arány
    • A kamera szöge
    • A zaj, hogy távolítsa el a zajos látens
  5. Mi történik a térinformációkkal, amikor a kódoló lemintázza?
    • Elvonja a jelenlévő „amit”, de elveszti a „hol” pontos részleteit
    • Pontos pixelhelyeket nyer
    • A képet szöveggé alakítja
    • Megduplázza a felbontást
  6. Which augmentation did the original U-Net paper use to learn invariance from limited annotated biomedical images?
    • Replacing every image with a random label
    • Elastic deformations of the training images
    • Training only on unmodified test images
    • Removing the decoder path before training
  7. How did the original U-Net paper process large images beyond the network’s input size?
    • By discarding all image borders
    • By resizing every image to one pixel
    • By predicting on overlapping tiles and extrapolating context at tile borders
    • By running the model once on a text prompt
  8. What did the original U-Net paper’s weighted loss emphasize?
    • Only background pixels, regardless of distance
    • The most common image color
    • Noise prediction at a diffusion timestep
    • Border pixels between touching cells to help separate adjacent objects